许可协议：apache-2.0
数据集：

• togethercomputer/RedPajama-Data-1T

OpenLLaMA：LLaMA的开源复现项目

本仓库呈现了Meta AI LLaMA大语言模型的宽松许可开源复现版本。我们发布了基于1万亿token训练的30亿、70亿和130亿参数模型，提供预训练OpenLLaMA模型的PyTorch和JAX权重文件，以及评估结果与原始LLaMA模型的对比数据。更多细节请访问OpenLLaMA项目主页。

权重发布、许可与使用说明

我们提供两种格式的权重文件：适配EasyLM框架的EasyLM格式，以及适配Hugging Face transformers库的PyTorch格式。训练框架EasyLM和权重文件均采用宽松的Apache 2.0许可协议。

通过Hugging Face Transformers加载权重

预览版检查点可直接从Hugging Face Hub加载。请注意目前建议避免使用Hugging Face快速分词器，因我们发现自动转换的快速分词器可能存在错误分词。可通过直接调用LlamaTokenizer类，或为AutoTokenizer类设置use_fast=False参数实现。使用示例如下：

import torch
from transformers import LlamaTokenizer, LlamaForCausalLM

# model_path = 'openlm-research/open_llama_3b'
# model_path = 'openlm-research/open_llama_7b'
model_path = 'openlm-research/open_llama_13b'

tokenizer = LlamaTokenizer.from_pretrained(model_path)
model = LlamaForCausalLM.from_pretrained(
    model_path, torch_dtype=torch.float16, device_map='auto',
)

prompt = '问：最大的动物是什么？\n答：'
input_ids = tokenizer(prompt, return_tensors="pt").input_ids

generation_output = model.generate(
    input_ids=input_ids, max_new_tokens=32
)
print(tokenizer.decode(generation_output[0]))

高级用法请参考transformers LLaMA文档。

使用LM-Eval-Harness评估

可通过lm-eval-harness进行评估。为避免前述分词器问题，需禁用快速分词器以获得准确结果。具体方法是在代码此处传入use_fast=False参数：

tokenizer = self.AUTO_TOKENIZER_CLASS.from_pretrained(
    pretrained if tokenizer is None else tokenizer,
    revision=revision + ("/" + subfolder if subfolder is not None else ""),
    use_fast=False
)

通过EasyLM加载权重

在EasyLM框架中使用权重请参考EasyLM的LLaMA文档。请注意与原始LLaMA不同，OpenLLaMA的分词器和权重均为全新训练，无需获取原始LLaMA组件。训练时我们使用了BOS（句子起始）标记（id=1），因此在少样本评估时建议前置该标记以获得最佳效果。

数据集与训练

我们使用Together发布的RedPajama数据集（包含超过1.2万亿token的LLaMA训练数据集复现版本）进行训练。完全遵循原始LLaMA论文中的预处理步骤和训练超参数，包括模型架构、上下文长度、训练步数、学习率调度和优化器。唯一区别在于数据集选择：OpenLLaMA使用RedPajama而非原始LLaMA的数据集。

我们在云端TPU-v4上使用基于JAX的训练框架EasyLM进行训练，结合常规数据并行与全分片数据并行（ZeRO第三阶段）来平衡吞吐量与内存占用。70亿参数模型最终达到每TPU-v4芯片每秒2200+token的吞吐量。

评估结果

使用lm-evaluation-harness在多任务上进行评估。LLaMA结果由相同评估指标下的原始模型生成。需注意我们的LLaMA评估结果与原始论文存在细微差异，这可能是评估协议不同所致（类似差异见该issue）。同时列出了EleutherAI在Pile数据集上训练的60亿参数模型GPT-J的结果。

原始LLaMA训练了1万亿token，GPT-J训练了5000亿token。如下表所示，OpenLLaMA在多数任务上表现与原始LLaMA和GPT-J相当，部分任务更优。

（此处保留原表格，仅翻译表头）

我们移除了CB和WSC任务的基准测试，因模型在这两个任务上表现异常出色，推测可能是训练数据存在基准污染。

联系我们

欢迎社区反馈，如有问题请提交issue或直接联系我们。
OpenLLaMA由伯克利AI研究所的Xinyang Geng*与Hao Liu*开发（*同等贡献）。

致谢

感谢Google TPU研究云计划提供部分算力资源，特别感谢Jonathan Caton协助协调资源，Google Cloud团队的Rafi Witten和Google JAX团队的James Bradbury优化训练吞吐量。同时感谢Charlie Snell、Gautier Izacard、Eric Wallace、Lianmin Zheng及社区用户的讨论与反馈。

130亿参数模型与Stability AI合作训练，感谢其提供的算力支持，特别感谢David Ha和Shivanshu Purohit的协调与工程支持。

参考文献

若OpenLLaMA对您的研究或应用有所帮助，请引用以下BibTeX：

@software{openlm2023openllama,
  author = {Geng, Xinyang and Liu, Hao},
  title = {OpenLLaMA: An Open Reproduction of LLaMA},
  month = May,
  year = 2023,
  url = {https://github.com/openlm-research/open_llama}
}

@software{together2023redpajama,
  author = {Together Computer},
  title = {RedPajama-Data: An Open Source Recipe to Reproduce LLaMA training dataset},
  month = April,
  year = 2023,
  url = {https://github.com/togethercomputer/RedPajama-Data}
}

@article{touvron2023llama,
  title={Llama: Open and efficient foundation language models},
  author={Touvron, Hugo and Lavril, Thibaut and Izacard, Gautier and Martinet, Xavier and Lachaux, Marie-Anne and Lacroix, Timoth{\'e}e and Rozi{\`e}re, Baptiste and Goyal, Naman and Hambro, Eric and Azhar, Faisal and others},
  journal={arXiv preprint arXiv:2302.13971},
  year={2023}
}